深度完成的测试时间适应
内容提要
该文综述深度估计领域自适应研究，涵盖元学习对抗训练、扩散模型测试时自适应、无监督立体视差微调、少样本特征约束、AdaDepth对抗对齐、注意力去噪、伪标签监督、硬件感知压缩、GASDA几何对称框架及跨模态稀疏到稠密学习等方法，旨在提升模型跨域泛化能力。
延伸解读
测试时自适应的两条技术路线
文章提到两种测试时自适应方法：基于元学习的对抗训练和基于扩散生成模型的DDA。前者通过约束条件迫使深度估计在不同对抗任务中保持一致，能在少量训练步骤后适应新数据集；后者无需重新训练模型，仅对输入数据自适应，在ImageNet-C上表现更鲁棒。两者都旨在不更新模型参数的情况下提升跨域性能，但技术路径不同。
无监督域适应中的立体视差与伪标签
文章介绍了两种无监督域适应策略：一种仅依赖图像对，利用经典立体算法生成视差测量，通过置信度引导损失微调立体和单眼深度架构，无需真实标签；另一种利用真实数据生成可靠的伪地面真实数据，提出2D伪标签和3D感知伪标签等机制，提供直接监督。两者都试图在无标签目标域上提升深度估计精度。
几何对称与跨模态学习的融合思路
GASDA框架将合成数据中的标签和现实数据中的极线几何共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的样式转换和深度生成。跨模态学习则动态稀疏到稠密，并在2D和3D数据上改进对抗性学习，以提高多模态域自适应性能。这些方法强调几何与模态信息的结合。
硬件约束下的域适应实践
文章提到在资源受限硬件上训练深度神经网络的问题，通过压缩技术、硬件感知架构设计以及对多样操作环境的模型自适应来解决。实验结果表明，只有使用有效网络架构和少量训练数据才足以实现图像深度估计。这提示读者，域适应不仅关乎算法精度，还需考虑实际部署中的计算和存储限制。
Q&A
深度估计领域自适应有哪些主要方法？
文章综述了多种方法，包括基于元学习的对抗式深度估计、扩散生成模型的测试时间自适应（DDA）、无监督立体视差微调、少样本特征约束、AdaDepth对抗对齐、注意力去噪、伪标签监督、硬件感知压缩、GASDA几何对称框架以及跨模态稀疏到稠密学习等。
什么是基于元学习的对抗式深度估计？
该方法通过元学习增强深度估计模型的泛化能力，并引入约束条件迫使深度估计在不同对抗性任务中保持一致，实验证明能在少量训练步骤后适应新数据集。
扩散模型在测试时间自适应中如何应用？
研究提出基于扩散生成模型的测试时间自适应方法（DDA），无需重新训练模型，通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，在ImageNet-C基准测试中表现更鲁棒。
无监督领域适应如何用于立体和单眼深度估计？
一种技术仅依赖图像对，利用经典立体算法生成视差测量，通过新颖的置信度引导损失函数微调立体和单眼深度架构，无需真实标签，效果优于其他同类无监督损失函数。
AdaDepth方法如何解决深度估计的领域适应问题？
AdaDepth通过对抗式学习和显式强制源域与目标域表征的内容一致性，克服合成数据集带来的领域适应问题，在单目深度估计中性能有竞争力，并在半监督设置中达到最先进结果。
GASDA框架如何实现几何感知的对称域自适应？
GASDA将合成数据中的标签和现实数据中的极线几何共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成，性能接近最先进水平。
